5. Pergeseran pada penawaran dan permintaan, dengan tidak memperhatikan mengapa pergesaran terjadi, dapat dideteksi cepat atau lambat pada grafik
transaksi pasar. 6. beberapa pola grafik cenderung mengalami pengulangan.
2.1.7 Multifraktal
Ide dasar pengembangan eksponen Hurst adalah model otokorelasi. Pada otokorelasi biasa menggunakan data sebagai satu kesatuan deret waktu, sedangkan
pada analisis RS Rescaled range Analysis, sebutan untuk mendapatkan eksponen Hurst data dipecah menjadi beberapa bagian, dan analisis RS dilakukan terhadap
masing-masing data yang terpecah. Misalkan kita memiliki data deret waktu Y
1
, ... , Y
N
data ini kemudian dipecah menjadi beberapa bagian dengan panjang yang sama, dengan masing-masing terdiri atas y
1
,...,y
t
. Nilai R diperoleh dari persamaan :
R
N
= MaksX
t,N
minX
t,N
Nilai X diperoleh dari persamaan :
∑
=
− =
t u
N u
N t
x X
1 ,
µ
Dimana µ
N
adalah rata-rata deret waktu selama periode N. Nilai S merupakan deviasi standard data deret waktu yang kita miliki. Dapat diperoleh
dengan persamaan
2 1
1 2
ˆ 1
− =
∑
= N
i N
i N
y y
N S
Rasio RS dari R dan Deviasi Standard S dari deret waktu utama dapat dihitung dengan hukum empiris sebagai berikut Yao dkk, 1999 : RS = N
H
. Nilai Eksponen Hurst dapat dihitung sebagai berikut :
H = logRSlogN Dimana nilai H berada diantara 0 dan 1 0H1. Estimasi nilai H dapat
diperoleh dengan melakukan perhitungan slope grafik log RS terhadap N menggunakan regresi.
Nilai eksponen Hurst H menggambarkan probabilitas bahwa dua event konsekutif dapat muncul. Jika nilai H = 0,5 maka data deret waktu bertipe acak,
terdiri atas event-event yang tidak berhubungan. Nilai H selain 0,5 menggambarkan bahwa objek observasi tidak independen, Ketika 0 H 0,5,
≤ sistem yang diteliti merupakan deret ergodic dan antipersisten dengan frekuensi
pembalikan yang tinggi dan volatilitas yang tinggi. Disamping kelaziman yang ada mengenai konsep pembalikan rata-rata pada literatur ekonomi dan keuangan,
hanya ditemukan beberapa deret waktu antipersisten. Bagi kondisi ketiga 0,5 H 1,0, H mendeskripsikan deret persisten dan adanya tren yang ditunjukkan oleh
≤ efek ingatan jangka panjang long memory effects. Kekuatan bias bergantung
pada seberapa besar nilai H diatas 0,5. Semakin rendah nilai H, lebih banyak noise pada sistem dan deret lebih mendekati keacakan.Yao dkk, 1999.
2.1.8 Metode Analisis Teknikal
